Тест «Виявлення дрейфу моделі».

Відповіді та пояснення з’являються під час виконання тесту.

1. Яка різниця між дрейфом даних і дрейфом концепції?
   • Дрейф даних змінює розподіл входів; дрейф концепції змінює співвідношення «вихід-вихід».
   • Це дві назви одного і того ж
   • Зміщення даних впливає лише на зображення; зміна концепції впливає лише на текст
   • Під час навчання відбувається дрейф даних; під час тестування відбувається відхилення концепції
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Чому виявлення дрейфу на основі вхідних даних може дати раннє попередження?
   • Тому що спочатку завжди вводяться неправильні дані
   • Оскільки вхідні файли є меншими файлами
   • Тому що мітки реальної інформації часто надходять набагато пізніше, ніж прогнози
   • Тому що моделі повністю ігнорують етикетки
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Який сценарій є яскравим прикладом дрейфу концепції?
   • Те, що користувачі вважають «спамом», з часом змінюється навіть для схожих на вигляд електронних листів
   • Камера створює трохи яскравіші зображення
   • Вік клієнтів у наборі даних залишається незмінним
   • Набір даних зберігається в новому форматі файлу
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data